{
  "id": "chain-rule",
  "title": "链式法则",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "链式法则用各组成函数的导数表示复合函数的导数。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "链式求导法则",
    "复合函数求导法则"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/chain-rule/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/chain-rule/",
      "json": "https://aiwiki.page/en/chain-rule.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "链式法则是微积分中的一个定理，用于确定函数的函数复合所得到的导数。它描述了变化如何沿着相继的依赖关系传播：输入的变化引起中间量的变化，继而影响最终输出。对于标量函数，相关导数相乘；对于多变量函数，还需要将不同依赖关系产生的贡献相加。这一法则将初等求导、多变量分析和计算导数的方法联系起来。(openstax.org)"
    },
    {
      "heading": "单变量形式",
      "text": "设 \\(g\\) 在 \\(a\\) 处可导，\\(f\\) 在 \\(g(a)\\) 处可导，且复合函数在 \\(a\\) 的邻域内有定义，则\n\n\\[(f\\circ g)'(a)=f'(g(a))\\,g'(a).\\]\n\n外层函数的导数必须在内层函数的输出值处求值，而不是在原始输入处求值。上述可导性假设已足够，无须要求导函数连续。(openstax.org)\n\n采用戈特弗里德·威廉·莱布尼茨的记号，若 \\(u=g(x)\\)、\\(y=f(u)\\)，则同一恒等式可写为\n\n\\[\\frac{dy}{dx}=\\frac{dy}{du}\\frac{du}{dx}.\\]\n\n虽然这种写法看起来像分数的约分，但其依据是求导定理。(live.ocw.mit.edu)\n\n例如，以多项式作为内层函数，有\n\n\\[\\frac{d}{dx}(3x^2+1)^5 =5(3x^2+1)^4(6x).\\]\n\n对于三个嵌套的函数，反复应用链式法则可得\n\n\\[\\frac{d}{dx}f(g(h(x))) =f'(g(h(x)))\\,g'(h(x))\\,h'(x).\\]\n\n每一层都贡献一个在该层输入处求值的导数。因此，漏掉内层函数的导数，就意味着没有完整地应用链式法则。(openstax.org)"
    },
    {
      "heading": "数学基础",
      "text": "将可导性理解为局部线性近似，便可推导出链式法则。令 \\(b=g(a)\\)。当 \\(h\\) 很小时，\n\n\\[g(a+h)=b+g'(a)h+o(h),\\]\n\n而当 \\(k\\) 很小时，\n\n\\[f(b+k)=f(b)+f'(b)k+o(k).\\]\n\n这里，\\(o(h)\\) 表示一个误差项，在相应的极限过程中，它与 \\(|h|\\) 的比值趋于零。将第一个展开式中的增量代入第二个展开式，得到\n\n\\[f(g(a+h)) =f(b)+f'(b)g'(a)h+o(h),\\]\n\n从而证明了导数公式。即使 \\(g'(a)=0\\)，这一论证仍然成立；相比之下，直接除以 \\(g\\) 的变化量的简单证明可能失效，因为该变化量可能为零。(openstax.org)\n\n上述假设并不是复合函数可导的必要条件。例如，\\(g(x)=|x|\\) 在零点不可导，但取 \\(f(u)=u^2\\)，便有 \\(f(g(x))=x^2\\)。因此，复合函数可导并不意味着各组成函数都可导。这个例子说明了充分条件与其逆命题之间的区别。(openstax.org)"
    },
    {
      "heading": "多变量情形",
      "text": "设 \\(z=f(x,y)\\)，其中 \\(x=x(t)\\)、\\(y=y(t)\\)，并假设这些函数都可微，则\n\n\\[\\frac{dz}{dt} =\\frac{\\partial f}{\\partial x}\\frac{dx}{dt} +\\frac{\\partial f}{\\partial y}\\frac{dy}{dt}.\\]\n\n每个偏导数都衡量在保持另一个中间变量不变时，函数对某个中间变量变化的敏感程度。由于两个中间变量都可能随 \\(t\\) 变化，因此两项都会产生贡献。偏导数均在 \\((x(t),y(t))\\) 处求值。(openstax.org)\n\n例如，若 \\(f(x,y)=x^2+y^2\\)、\\(x=\\cos t\\)、\\(y=\\sin t\\)，则\n\n\\[\\frac{dz}{dt} =2\\cos t(-\\sin t)+2\\sin t\\cos t=0,\\]\n\n这与 \\(z=1\\) 一致。更一般地，若 \\(w=f(x_1,\\ldots,x_m)\\)，且每个 \\(x_i\\) 都依赖于 \\(t_1,\\ldots,t_n\\)，则\n\n\\[\\frac{\\partial w}{\\partial t_j} =\\sum_{i=1}^{m} \\frac{\\partial f}{\\partial x_i} \\frac{\\partial x_i}{\\partial t_j}.\\]\n\n依赖关系图可以帮助组织这一计算：沿每条路径将导数相乘，再把所得的各项贡献相加。(openstax.org)"
    },
    {
      "heading": "雅可比矩阵与梯度形式",
      "text": "对于可微映射 \\(g:\\mathbb{R}^n\\to\\mathbb{R}^m\\) 和 \\(f:\\mathbb{R}^m\\to\\mathbb{R}^p\\)，导数是向量空间之间的线性映射。链式法则给出\n\n\\[D(f\\circ g)(x)=Df(g(x))\\circ Dg(x).\\]\n\n用坐标表示时，它变为雅可比矩阵的乘积：\n\n\\[J_{f\\circ g}(x)=J_f(g(x))J_g(x).\\]\n\n三个矩阵的维数分别为 \\(p\\times n\\)、\\(p\\times m\\) 和 \\(m\\times n\\)。乘法顺序很重要：矩阵乘法通常不满足交换律。这是在线性代数中对局部线性近似复合的表达。(live.ocw.mit.edu)\n\n当 \\(f\\) 为标量值函数，且梯度采用列向量表示时，\n\n\\[\\nabla(f\\circ g)(x) =J_g(x)^{\\mathsf T}\\nabla f(g(x)).\\]\n\n通过矩阵转置，外层函数的梯度被转换为相对于原始输入坐标的敏感度。(live.ocw.mit.edu)"
    },
    {
      "heading": "换元积分法",
      "text": "链式法则是换元积分法的基础。若 \\(F'=f\\)，则\n\n\\[\\frac{d}{dx}F(g(x))=f(g(x))g'(x),\\]\n\n因此\n\n\\[\\int f(g(x))g'(x)\\,dx=F(g(x))+C.\\]\n\n这就是反向运用求导恒等式。结合微积分基本定理，还可得到相应的定积分：\n\n\\[\\int_a^b f(g(x))g'(x)\\,dx =\\int_{g(a)}^{g(b)}f(u)\\,du,\\]\n\n条件是 \\(g\\) 在 \\([a,b]\\) 上连续可微，且 \\(f\\) 在 \\(g\\) 的像集上连续。积分上下限随变量替换而改变。(openstax.org)"
    },
    {
      "heading": "计算应用",
      "text": "自动微分将计算分解为基本运算，并反复应用链式法则，从而求出计算机程序的导数。计算图用于记录依赖关系。前向模式将输入的敏感度向输出方向传播；反向模式则将输出的敏感度向后传播。与有限差分近似不同，这些方法对运算本身求导，不过数值计算仍然会受到舍入误差的影响。(jmlr.org)\n\n在机器学习中，反向传播通过反向模式微分，求出损失函数对人工神经网络参数的导数。这些导数用于梯度下降等数学优化方法。当一个中间值通过多个分支影响输出时，必须累加各分支的导数贡献。这体现的是多变量链式法则中的求和，而不只是沿单一路径计算乘积。(jmlr.org)"
    }
  ],
  "links": [
    "calculus",
    "mathematical-function",
    "function-composition",
    "derivative",
    "gottfried-wilhelm-leibniz",
    "polynomial",
    "limit",
    "partial-derivative",
    "vector-space",
    "linear-map",
    "jacobian-matrix",
    "matrix",
    "linear-algebra",
    "matrix-transpose",
    "gradient",
    "integration-by-substitution",
    "fundamental-theorem-of-calculus",
    "integral",
    "automatic-differentiation",
    "computational-graph",
    "machine-learning",
    "backpropagation",
    "loss-function",
    "artificial-neural-network",
    "gradient-descent",
    "mathematical-optimization"
  ],
  "sources": [
    {
      "title": "openstax.org/books/calculus-volume-1/pages/3-6-the-chain-rule",
      "url": "https://openstax.org/books/calculus-volume-1/pages/3-6-the-chain-rule"
    },
    {
      "title": "live.ocw.mit.edu/courses/18-s096-matrix-calculus-for-machine-learning-and-beyon…",
      "url": "https://live.ocw.mit.edu/courses/18-s096-matrix-calculus-for-machine-learning-and-beyond-january-iap-2023/mit18_s096iap23_lec_full.pdf"
    },
    {
      "title": "openstax.org/books/calculus-volume-3/pages/4-5-the-chain-rule",
      "url": "https://openstax.org/books/calculus-volume-3/pages/4-5-the-chain-rule"
    },
    {
      "title": "openstax.org/books/calculus-volume-1/pages/5-5-substitution",
      "url": "https://openstax.org/books/calculus-volume-1/pages/5-5-substitution"
    },
    {
      "title": "jmlr.org/papers/volume18/17-468/17-468.pdf",
      "url": "https://jmlr.org/papers/volume18/17-468/17-468.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}